Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann

Größe: px
Ab Seite anzeigen:

Download "Kreditrisikomaße im Vergleich. Arbeitsbericht Nr. 13/2005. Andre Daldrup. Institut für Wirtschaftsinformatik. Hrsg.: Matthias Schumann"

Transkript

1 Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben Göttingen Telefon: Arbeitsbericht Nr. 13/2005 Hrsg.: Matthias Schumann Andre Daldrup Kreditrisikomaße im Vergleich

2 Copyright: Institut für Wirtschaftsinformatik, Abteilung Wirtschaftsinformatik II, Georg-August-Universität Göttingen. Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der Grenzen des Urhebergesetzes ist ohne Zustimmung des Herausgebers unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Alle Rechte vorbehalten.

3 Inhaltsverzeichnis II Inhaltsverzeichnis Abbildungsverzeichnis...III Tabellenverzeichnis...III Abkürzungsverzeichnis... IV 1 Einleitung Grundlagen Kreditrisiko und Standardrisikokosten Expected Loss und zentrale Kalkulationsparameter Risikomaße zur Quantifizierung des Unexpected Loss Anforderungen an (Kredit-)Risikomaße Varianz und Standardabweichung Lower Partial Moments (LPM) Value at Risk Expected Shortfall (Conditional VaR) Vergleich der Risikomaße Zusammenfassung...25 Literaturverzeichnis...26

4 Abbildungsverzeichnis III Abbildungsverzeichnis Abbildung 2.1-1: Wahrscheinlichkeitsdichteverteilung von Kreditverlusten... 4 Abbildung 2.1-2: Risikoadjustierte versus risikoindifferente Konditionengestaltung... 5 Abbildung 3.3-1: Darstellung LPM 0 und LPM Abbildung 3.4-1: alternative VaR-Definitionen Abbildung 3.5-1: Expected Shortfall Tabellenverzeichnis Tabelle 3.2-1: Anforderungsanalyse bei Standardabweichung und Varianz Tabelle 3.3-1: Anforderungsanalyse bei Lower Partial Moments Tabelle 3.4-1: Anforderungsanalyse beim Value at Risk Tabelle 3.5-1: Anforderungsanalyse beim Expected Shortfall Tabelle 3.6-1: Gegenüberstellung der alternativen Risikomaße... 24

5 Abkürzungsverzeichnis IV Abkürzungsverzeichnis CE DP EL ES E(X) F LGD LPM LS p r f RR UL VaR VaR a VaR r X Credit Exposure Default Probability Expected Loss bzw. erwarteter Verlust Expected Shortfall Erwartungswert Verteilungsfunktion Loss Given Default Lower Partial Moment Verlustquote Wahrscheinlichkeit risikofreier Zinssatz Recovery Rate Unexpected Loss bzw. unerwarteter Verlust Value at Risk absoluter Value at Risk relativer Value at Risk Verlust 1-α Konfidenzniveau ρ σ Risikomaß Standardabweichung

6 1 Einleitung 1 1 Einleitung Das Kreditgeschäft der Banken ist in den letzten Jahren durch steigende Insolvenzzahlen und sinkende Margen gekennzeichnet. Aus diesem Grund steigen die ökonomischen Anforderungen an Banken, das Kreditrisiko der eingegangenen Geschäfte adäquat zu quantifizieren, um darauf aufbauend die Konditionen für Kredite risikoadäquat bestimmen und die Kreditrisiken direkt steuern zu können. Zusätzlich wird von den Regulierungsbehörden gefordert, dass Banken ihr Kreditrisiko bestimmen und entsprechend mit Risikokapital unterlegen, um der eigenen Insolvenz vorzubeugen. Das Kreditrisiko sollte daher nach Möglichkeit in einer Kennzahl ausgewiesen werden, die das Risiko in Geldeinheiten ausdrückt, um so einen Bezug zum benötigten Risikokapital aufzuzeigen. Das Risikomaß Value at Risk hat sich in den letzten Jahren zum Standardrisikomaß für finanzielle Risiken entwickelt, dessen Verwendung im Bereich des Kreditrisikos nicht gänzlich unumstritten ist, so dass ihm vorgeworfen wird, für Portfoliosteuerung und Portfolio-Optimierungsprobleme nicht geeignet zu sein. Die vorliegende Arbeit zeigt daher verschiedene alternative Risikomaße auf und untersucht, ob für die Kreditrisikoquantifizierung ein alternatives Risikomaß zum Value at Risk existiert, das die aufgezeigten Kritikpunkte beseitigt. In Kapitel 2 werden hierfür zunächst eine geeignete Kreditrisikodefinition gegeben und der Unterschied zwischen erwartetem und unerwartetem Verlust im Rahmen der Konditionenkalkulation für Kredite aufgezeigt. Bevor die alternativen Risikomaße beschrieben und analysiert werden, beginnt Kapitel 3 mit einer Darstellung von Anforderungen, die an ein Kreditrisikomaß gestellt werden sollten. Die Risikomaße werden anschließend miteinander verglichen und auf ihre Anwendbarkeit analysiert, worauf die Arbeit in Kapitel 4 abschließend zusammengefasst wird.

7 2 Grundlagen 2 2 Grundlagen 2.1 Kreditrisiko und Standardrisikokosten Für die Definition des Begriffes Kreditrisiko gilt es in einem ersten Schritt, einen zweckmäßigen allgemeinen Risikobegriff festzulegen. In der Praxis und in der wissenschaftlichen Literatur hat sich bisher noch keine gänzlich einheitliche Begriffsinterpretation herausgebildet. 1 Grundsätzlich können die meisten Ansätze jedoch auf eine ursachenbezogene oder auf eine wirkungsbezogene Auffassung von Risiko zurückgeführt werden. In der ursachenbezogenen Auffassung wird Risiko als Unsicherheit über den Eintritt zukünftiger Ereignisse aufgefasst, wobei ein unvollständiger Informationsstand als Voraussetzung angenommen wird. In dieser Betrachtung können den somit unsicheren Ereignissen subjektive oder objektive (Eintritts-) Wahrscheinlichkeiten zugeordnet werden. 2 Die wirkungsbezogene Auffassung stellt die Risikowirkung in den Mittelpunkt der Betrachtung, so dass Risiko als die Gefahr einer negativen Zielverfehlung interpretiert werden kann. 3 Diese beiden Risikoauffassungen können jedoch nicht als unabhängig voneinander angesehen werden, da die wirkungsbezogene Risikoauffassung die ursachenbezogene voraussetzt. 4 Rekurrierend auf die in dieser Arbeit betrachtete finanzwirtschaftliche Problemstellung, wird Risiko gemäß der obigen Betrachtung allgemein als die aus der Unsicherheit über zukünftige Entwicklungen resultierende Gefahr der negativen Abweichung eines tatsächlich erzielten Wertes einer (finanzwirtschaftlichen) Zielgröße von seinem Erwartungswert definiert. 5 Die Fokussierung des Risikos auf ausschließlich negative Abweichungen von einem Referenzwert wird häufig auch als Downside- oder Shortfall-Risiko bezeichnet. 6 Um diese allgemeine Risikodefinition auf die Kreditrisikodefinition zu übertragen, wird zunächst die Bedeutung des Kreditrisikos aufgezeigt. Der Begriff des Kreditrisikos umfasst sowohl das Ausfallrisiko als auch das Bonitätsrisiko. Das Ausfallrisiko drückt hierbei die Gefahr aus, dass ein Kreditnehmer seinen vertragskonformen Zahlungsverpflichtungen aus dem Kreditvertrag nicht oder nur unvollständig nachkommt. 7 Im Rahmen dieser Erläuterung bezeichnet das Ausfallrisiko also die Gefahr der Insolvenz eines Kreditnehmers. Das Bonitätsrisiko bezeichnet demgegenüber die Gefahr einer Bonitätsverschlechterung des Schuldners während der Kreditlaufzeit. Somit ist der Begriff des Bonitätsrisikos umfassender als der des Ausfallrisikos, da der Kreditausfall respektive der Default als Extremfall der Vgl. Völker (2001), S. 33. Vgl. Schulte/Horsch (2002), S. 14. Die Definition des Risikos als ausschließlich negative Zielverfehlung wird häufig auch als Downside- Risiko bezeichnet. Eine positive Zielverfehlung wird demgegenüber als Chance bezeichnet. Vgl. Schulte/Horsch (2002), S. 14 f. Vgl. Oehler/Unser (2002), S. 21 sowie Kürsten/Straßberger (2004), S Vgl. Hartmann-Wendels/Pfingsten/Weber (2000), S Vgl. Hartmann-Wendels/Pfingsten/Weber (2000), S. 151.

8 2 Grundlagen 3 Bonitätsverschlechterung angesehen und somit dem Bonitätsrisiko zugeordnet werden kann. 8 Ausfallund Bonitätsrisiko werden daher im Weiteren unter dem Oberbegriff Kreditrisiko subsumiert. Transformiert man abschließend die allgemeine Risikodefinition auf das Kreditrisiko, so bezeichnet es die aus einem unvollständigen Informationsstand resultierende Gefahr der (negativen) Abweichung des tatsächlichen vom erwarteten Zahlungsstrom, der aus einer Forderung entsteht. 9 Intuitiv könnte angenommen werden, dass der erwartete Zahlungsstrom einer Forderung aus dem Nominalvolumen eines Kredites zuzüglich der geforderten Zinszahlungen besteht und somit implizit von einer vollständigen Erfüllung des Kreditvertrages ausgegangen wird. Diese Annahme ist jedoch nicht realitätsnah, da Banken beispielsweise aus Erfahrung wissen, dass bei der Vergabe von vielen Krediten ein bestimmter Prozentsatz ausfallen wird und somit der erwartete Zahlungsstrom aller vergebenen Kredite in der Regel nicht der Summe der vertraglich vereinbarten Zahlungsströme entspricht. Diese aus Erfahrungswerten antizipierbaren Verluste aus Kreditausfällen können anhand statistischer Wahrscheinlichkeiten prognostiziert werden. Folglich können die mit Hilfe dieser Wahrscheinlichkeiten bestimmten Kreditverluste als Erwartungswert der Zufallsvariable Verlust angesehen werden. 10 Dieser so genannte erwartete Verlust respektive Expected Loss (EL) wird bzw. sollte bereits im Vorfeld der Kreditvergabe in die Risikokostenkalkulation des Kreditgeschäftes in Form von Ausfallprämien mit einbezogen werden und wird daher nicht zum eigentlichen Kreditrisiko gezählt. Der in dieser Arbeit verwendete Kreditrisikobegriff bezieht sich gemäß der obigen Definition auf die Verlustüberraschung, d. h. auf den möglichen Verlustbetrag, der über den erwarteten Verlust hinausgeht und als unerwarteter Verlust respektive Unexpected Loss (UL) bezeichnet wird. 11 Wie in Abbildung zu sehen ist, kann der erwartete Verlust bei dieser Betrachtung als Erwartungswert E(x) der Kreditverlustverteilung interpretiert werden. Der unerwartete Verlust stellt demgegenüber die (negative) Abweichung vom Erwartungswert dar. 8 9 Vgl. Schierenbeck (2003a), S Vgl. Knapp (2002), S Vgl. Schierenbeck (2003b), S Vgl. Bröker (2000), S

9 2 Grundlagen 4 erwarteter Verlust/ Expected Loss Wahrscheinlichkeitsdichte unerwarteter Verlust/ Unexpected loss E ( x ) x Kreditverluste (x) Abbildung 2.1-1: Wahrscheinlichkeitsdichteverteilung von Kreditverlusten 12 Die Abbildung zeigt ergänzend, dass die Wahrscheinlichkeiten für Kreditverluste in der Realität (häufig) deutlich rechtsschief (und nicht normal-) verteilt sind. Diese Rechtsschiefe und Asymmetrie lässt sich ökonomisch dadurch begründen, dass hohe Kreditverluste nur selten, und daher mit niedrigen Wahrscheinlichkeiten eintreten, währenddessen kleinere Verluste höhere Wahrscheinlichkeiten aufweisen. Somit ist es möglich, dass in mehreren (aufeinander folgenden) Jahren der realisierte Kreditverlust geringer ist als der erwartete Kreditverlust E(x). In anderen Jahren kann der tatsächliche den erwarteten Kreditverlust jedoch auch stark übersteigen, so dass der Mittelwert E(x) eine geeignete Kennzahl für den erwarteten Verlust darstellt. 13 Durch die Differenzierung zwischen erwarteten und unerwarteten Verlusten ergibt sich somit die Notwendigkeit der Aufteilung der Risikokosten. Die bereits bei der Kreditvergabe zu berücksichtigenden Standard-Risikokosten sollten in Form von Ausfallprämien den erwarteten Verlust aller Kreditengagements im Durchschnitt abdecken und verringern als Aufwand das ordentliche Betriebsergebnis. 14 Die Risikokosten für den unerwarteten Verlust können als außergewöhnliche Aufwendungen aufgefasst werden und müssen durch entsprechende Eigenkapitalunterlegungen (ökonomisches Kapital) abgesichert werden. 15 Die Standard-Risikokosten können auf unterschiedlichen Ebenen kalkuliert werden. 16 Die Bestimmung auf Einzelkreditnehmerebene stellt die detaillierteste Variante dar, indem für jedes einzelne Kreditgeschäft eine dem Kreditrisiko des Kunden entsprechende Ausfallprämie ermittelt wird. Neben dieser individuellen Berechnung der Standard-Risikokosten können Risikokosten auch auf der Ebene von Rating-Klassen, Geschäftssegmenten oder auf der Ebene des gesamten Kreditgeschäftes ermittelt 12 In Anlehnung an Bröker (2000), S Vgl. Kirmße (2001), S Vgl. Schierenbeck (2003a), S Unerwartete Verluste können in Form von Risikoprämien in die Konditionengestaltung integriert werden. 16 Vgl. Schierenbeck (2003a), S. 312.

10 2 Grundlagen 5 werden. Die auf diesen Ebenen ermittelten und über die Kreditkonditionen weitergegebenen Ausfallprämien sollten die gesamten erwarteten Standard-Risikokosten abdecken. 17 Die Ermittlung auf Gesamtgeschäfts- sowie auf Geschäftssegmentebene weist den Nachteil auf, dass alle bzw. viele Kreditnehmer eine identische Ausfallprämie zugeordnet bekommen, so dass es zu einer Quersubventionierung der schlechten durch die guten Kreditnehmer kommen kann. Bonitätsmäßig bessere Kunden zahlen demnach einen (ihrem Risiko entsprechend) zu hohen Preis für ihren Kredit, während schlechtere Kunden einen zu tiefen Preis bezahlen. 18 Unter diesen Gesichtspunkten stellt eine Standard- Risikokostenkalkulation auf der Ebene von Rating-Klassen eine in Bezug auf den Detaillierungsgrad mindestens zu wählende Vorgehensweise dar. Die folgende Abbildung verdeutlicht abschließend den Unterschied zwischen risikoadjustierter und risikoindifferenter Konditionenkalkulation, wobei die Kurve für die risikoadjustierte Konditionenpolitik aufzeigt, dass eine Kalkulation der Standard-Risikokosten mindestens auf Ratingklassen-Ebene vorgenommen werden sollte, um die oben beschriebene Gefahr der Quersubventionierung zu vermindern. Zinssätze schlechte Risiken mit zu tiefem Preis gute Risiken mit zu hohem Preis Risikolimitierung AAA BBB B- CCC Risiko risikoloser Zinssatz (GKM-Satz/Triple-A Rendite) Zinssatz bei risikoundifferenzierender Konditionspolitik Zinssatz bei risikoadjustierender Konditionspolitik Abbildung 2.1-2: Risikoadjustierte versus risikoindifferente Konditionengestaltung Expected Loss und zentrale Kalkulationsparameter Der für die Bestimmung der Standard-Risikokosten relevante Expected Loss bzw. der erwartete Kreditverlust eines Kreditengagements ergibt sich als Produkt aus der (erwarteten) Ausfallwahrscheinlichkeit (Default Probability, DP) mit dem (erwarteten) Verlustumfang einer Forderung zum Zeitpunkt des 17 Vgl. Oehler/Unser (2002), S Vgl. Schierenbeck (2003a), S Quelle: Schierenbeck (2003a), S. 312.

11 2 Grundlagen 6 Ausfalles (Credit Exposure, CE) und der Verlustquote (Loss Severity, LS). Die Verlustquote wird häufig auch als Loss Given Default (LGD) bezeichnet. 20 (1) EL = DP CE LS Die Loss Severity gibt den Teil des Credit Exposure an, der uneinbringlich ist. Sie wird aus der Differenz von 1 minus der Wiedereinbringungsrate bzw. Recovery Rate (RR) bestimmt. 21 Durch Einsetzen dieses Zusammenhangs in Formel (1) ergibt sich die folgende Bestimmungsgleichung für den Expected Loss. (2) EL = DP CE ( 1 RR) Im Rahmen einer Portfoliobetrachtung lässt sich der erwartete Verlust des Kreditportfolios (EL p ) durch die Summe der Erwartungswerte der einzelnen Kreditpositionen bestimmen. 22 (3) EL P = EL Für i = 1, 2,, N Kreditpositionen ergibt sich (4) = ( DP CE ( RR )) EL 1. P i i i i Der Credit Exposure (CE) bezeichnet hierbei allgemein das Kreditvolumen, welches einem Kreditrisiko ausgesetzt ist. Im klassischen Kreditgeschäft entspricht seine Höhe in der Regel dem Buchwert aller Forderungen gegenüber einem einzelnen Kreditnehmer. 23 Diese Methodik ist durch ihre einfache Anwendbarkeit sowie ihren direkten Bezug zur Rechnungslegung charakterisiert. Zudem gibt sie einen recht guten Einblick in die offenen Positionen eines Schuldners. 24 Bei ökonomischer Betrachtungsweise erscheint der Buchwert jedoch nicht als geeignete Quantifizierungsgröße für den Credit Exposure. 25 Fällt eine Forderung aus, so ist eine Wiederbeschaffung einer äquivalenten Kreditposition nur zu dem im Ausfallzeitpunkt aktuellen Marktwert und nicht zum aktuellen Buchwert möglich. Daher entspricht der Credit Exposure unter Verwendung des Barwertkonzeptes dem aktuellen Betrag der Wiederbeschaffungskosten einer äquivalenten Kreditposition, wobei ein vollständiger Kreditausfall angenommen wird. 26 Die erwartete Rückzahlungsquote bzw. Recovery Rate (RR) bezeichnet den (prozentualen) Anteil des Credit Exposure, der bei Ausfall eines Kreditnehmers an den Gläubiger zurückfließt. 27 In ihrer Höhe wird sie vor allem durch das im Ausfallzeitpunkt noch vorhandene Vermögen des Schuldners sowie durch Kreditsicherheiten und die Rangstellung der Gläubigerposition beeinflusst. 28 Bei Ausfall eines 20 Vgl. Heim/Balica (2001), S. 215 sowie Schuermann (2003), S Vgl. Oehler/Unser (2002), S Vgl. Ong (2000), S Vgl. Knapp/Hamerle (1999), S Vgl. Bröker (2000), S Vgl. Schierenbeck (2003a), S Vgl. Bröker (2000), S Vgl. Ong (2000), S Vgl. auch im Folgenden Schierenbeck (2003a), S. 328 f.

12 2 Grundlagen 7 Schuldners kann der Gläubiger durch die Verwertung ggf. vorhandener Sicherheiten die Kreditverluste reduzieren und im optimalen Fall sogar gänzlich vermeiden. Als Wert für die gestellten Sicherheiten sollte möglichst der nachhaltig erzielbare Nettoerlös bei Sicherheitenverwertung angesetzt werden. Recovery Rates lassen sich in der Praxis nur schwer bestimmen. 29 Aus diesem Grund werden sie häufig anhand von historischen Daten als Mittelwert respektive Median bestimmt. Aus pragmatischen Gründen werden die Recovery Rates jedoch selten für einzelne Kreditengagements, sondern in der Regel für Risikoklassen ermittelt. Hierbei wird die Annahme getroffen, dass sie innerhalb einer Risikoklasse konstant sind. Eine weitere Alternative zur Bestimmung von Recovery Rates (auch für einzelne Engagements) liegt in deren Schätzung auf Basis einer Beta-Verteilung. 30 Die erwartete Ausfallrate (Ausfallwahrscheinlichkeit) bzw. Default Probability (DP) gibt die Wahrscheinlichkeit des Ausfalles bzw. der vollständigen oder partiellen Zahlungsunfähigkeit eines Schuldners an. Im Gegensatz zum Credit Exposure und der Recovery Rate, die sich auf einzelne Kreditpositionen beziehen, kann die Ausfallwahrscheinlichkeit eindeutig der Ebene des Kreditnehmers zugeordnet werden, da im Normalfall nicht eine einzelne Forderung, sondern ein Schuldner mit sämtlichen Forderungen ausfällt. 31 Die Default Probability von Kreditnehmern kann nicht direkt gemessen werden, sondern muss geschätzt werden. 32 Der einfachste Ansatz zu ihrer Schätzung besteht darin, die aus Vergangenheitsdaten ermittelte Ausfallrate, die der relativen Ausfallhäufigkeit einer Risiko- bzw. Rating- Klasse entspricht, mit der Ausfallwahrscheinlichkeit gleichzusetzen. 33 Eine weitere Möglichkeit der Bestimmung der Ausfallwahrscheinlichkeit besteht in der Verwendung von statistischen Verfahren wie z. B. Logit- oder Probit-Regressionen Vgl. Rohmann (2000), S Vgl. Altman et al. (2002), S Vgl. Schierenbeck (2003a), S Vgl. Rohmann (2000), S Vgl. auch im Folgenden Oehler/Unser (2002), S. 259 f. 34 Vgl. Huschens (2004), S. 2. Für ein Beispiel siehe Daldrup/Gehrke/Schumann (2004).

13 3 Risikomaße zur Quantifizierung des Unexpected Loss 8 3 Risikomaße zur Quantifizierung des Unexpected Loss Nachdem im vorigen Abschnitt der unerwartete Kreditverlust als Kreditrisiko identifiziert sowie die Notwendigkeit aufgezeigt wurde, den erwarteten Kreditverlust in Form von Ausfallprämien in die Konditionenpolitik bei der Kreditvergabe zu integrieren, behandelt das folgende Kapitel verschiedene Risikomaße zur Quantifizierung des unerwarteten Verlustes. In einem ersten Schritt werden Anforderungen, die an diese Kennzahlen im Bereich der Kreditrisikoquantifizierung gestellt werden, erarbeitet und die Risikomaße anhand dieser analysiert. Abschließend folgt ein Vergleich der Kennzahlen, wobei sich der Schwerpunkt des Vergleichs auf den Value at Risk und den Expected Shortfall konzentriert. 3.1 Anforderungen an (Kredit-)Risikomaße Im Allgemeinen werden Risikokennzahlen bzw. Risikomaße verwendet, um Risiko quantifizieren und darauf aufbauend Steuerungsmaßnahmen vornehmen zu können. 35 Speziell für Banken ist die quantitative Messung des Kreditrisikos von höchster Relevanz. Neben dem grundlegenden Ziel mittels der Risikoquantifizierung durch Risikomaße existenzgefährdende Risiken zu erkennen, sind Banken zudem durch aufsichtsrechtliche Bestimmungen verpflichtet, das Kreditrisiko zu bestimmen und es zur Sicherung ihrer eigenen Zahlungsfähigkeit mit Eigenkapital zu unterlegen. Des Weiteren ist die Kreditrisikoquantifizierung die Voraussetzung für eine nach dem jeweils eingegangenen Risiko differenzierenden Bepreisung sowie für eine risikoorientierte Steuerung der Kreditvergabe auf Portfolioebene. Zur Quantifizierung des Kreditrisikos muss daher ein Risikomaß verwendet werden, dass die Höhe des Risikos adäquat wiedergibt. Allgemein kann das Risiko in Form einer Wahrscheinlichkeitsdichte- oder Verteilungsfunktion einer Zufallsvariable dargestellt werden. 36 Die Repräsentation des Risikos in einer solchen Form ist jedoch nicht sehr operational und nachvollziehbar, so dass eine Verdichtung der Informationen in wenige bzw. eine Maßzahl erfolgen sollte, was allerdings prinzipiell mit einem Informationsverlust einhergeht. 37 Gemäß der obigen Risiko- und Kreditrisikodefinition wird die Höhe des (Kredit-)Risikos durch das Ausmaß der Zielverfehlung, also durch das Ausmaß der Abweichung vom Erwartungswert, sowie den jeweils zuzurechnenden Wahrscheinlichkeiten determiniert. Aus diesem Grund sollten Kreditrisikomaße einerseits Aussagen über die Eintrittswahrscheinlichkeiten und andererseits Aussagen über die Risikohöhe zulassen. 38 Zusätzlich sollte das gewählte Risikomaß leicht zu interpretieren sein und daher zum einfachen Verständnis in Geldeinheiten ausgedrückt werden Vgl. Kürsten/Straßberger (2004), S Vgl. Oehler/Unser (2002), S Vgl. Völker (2001), S Vgl. Schulte/Horsch (2002), S Vgl. Rohmann (2000), S. 31.

14 3 Risikomaße zur Quantifizierung des Unexpected Loss 9 Aufgrund der alleinigen Betrachtung von negativen Abweichungen vom erwarteten Verlust und der aufsichtsrechtlichen Verpflichtung zur Unterlegung des unerwarteten Verlustes mit Eigenkapital, stellt eine erste Anforderung an Risikomaße daher die Möglichkeit der direkten Messung des ökonomischen Risikos dar. 40 D. h. das Risikomaß sollte das Verlustpotenzial aufzeigen, welches mit ökonomischem Kapital zu unterlegen ist. Zusätzlich ist es für eine risikoorientierte Steuerung des Kreditportfolios notwendig, dass das Risikomaß ergänzend als Zielgröße von Optimierungsproblemen verwendet werden kann. In dieser Arbeit liegt der Fokus zwar ausschließlich auf der Quantifizierung des Kreditrisikos, bei der Wahl des Risikomaßes sollte allerdings von der Bestimmung von Marktpreisrisiken (und operationellen Risiken) nicht vollständig abstrahiert werden. Im Rahmen einer Gesamtbanksteuerung wird eine integrierte Risikomessung gefordert, bei der mithilfe eines Risikomaßes sowohl Marktpreis- als auch Kreditrisiken quantifiziert werden können. Das zu wählende Risikomaß muss daher für eine integrierte Risikomessung unterschiedlicher Risikoarten geeignet sein. Bei der Berücksichtigung verschiedener Risikoarten stellt sich implizit die Notwendigkeit dar, dass das Risikomaß optimalerweise zur Risikosteuerung eines Bankportfolios verwendet werden kann, wobei das Risikomaß hier als Grundlage für eine portfolio-übergreifende Risikosteuerung geeignet sein sollte. Gemäß dieser Anforderung haben Artzner et al. vier Axiome formuliert, die ein Risikomaß im Rahmen der Risikosteuerungsmöglichkeit erfüllen sollte. Risikomaße, die diesen Eigenschaften entsprechen werden als kohärente Risikomaße bezeichnet. 41 Bei der Formulierung der vier Axiome gehen Artzner et al. davon aus, dass es im Rahmen des Risikomanagements notwendig ist, zwischen akzeptablen und nicht akzeptablen Portfolios differenzieren zu können. Nicht akzeptable Portfolios sind durch ein zu hohes Risiko charakterisiert, wobei unter zu hohem Risiko ein zu niedriger Portfoliowert zum prognostizierten Zeitpunkt verstanden wird. 42 Diese Differenzierung verstehen die Autoren bereits als grobe Risikomessung, indem sie in einem ersten Schritt die Menge der akzeptierten Portfoliowerte, bestehend aus allen Portfoliopositionen mit einem akzeptablen zukünftigen Wert, bestimmen. 43 In die weitere Betrachtung gehen ausschließlich die nicht akzeptablen Positionen ein, für die jeweils der kleinste Kapitalbetrag gesucht wird, der in Kombination mit der untersuchten Position den minimalen (gerade) akzeptablen Wert ergibt. Entsprechend dieser Überlegungen definieren Artzner et al. ein Risikomaß wie folgt: 44 Der minimale Kapitaleinsatz, der benötigt wird, um aus einer nicht akzeptablen Position durch Investition in andere (finanzwirtschaftliche) Instrumente und deren Kombination mit der betrachteten Position eine gerade akzeptable Position zu generieren, wird als Risikomaß bezeichnet. Formal bezeichnet ein kohärentes Risikomaß ρ eine Abbildung, die jedem Portfolio mit dem zukünftigen Wert X eine Zahl ρ(x) zuweist 45 und die folgenden vier Eigenschaften erfüllt: Vgl. auch im Folgenden Theiler (2002), S Vgl. Artzner et al. (1997) und Artzner et al. (1999). 42 Vgl. Theiler (2002), S Vgl. Artzner et al. (1999), S Vgl. Artzner et al. (1999), S Vgl. Artzner et al. (1997), S. 68 sowie Theiler (2002), S. 72.

15 3 Risikomaße zur Quantifizierung des Unexpected Loss 10 (1) Subadditivität: Die Subadditivitäts-Eigenschaft fordert von einem Risikomaß, dass das Risiko eines Portfolios, bestehend aus zwei Positionen, stets kleiner oder gleich der Summe der Einzelrisiken der zwei Positionen 47 ist. Dieses Axiom berücksichtigt den Diversifikationseffekt im Portfoliokontext, so dass durch die Hinzunahme einer Position Y in das Portfolio X das Portfoliorisiko maximal um das Einzelrisiko von Y ansteigt. Es gilt daher: ( X Y ) ρ( X ) ρ( Y ) ρ + +. (2) Positive Homogenität: Das Homogenitäts-Axiom fordert, dass das Risiko proportional zu einem positiven Faktor steigt. D. h. eine Position, die den t-fachen Wert aufweist, beinhaltet auch das t-fache Risiko, so dass gilt: ( t X ) = t ρ( X ), t > 0 ρ. (3) Monotonie: Die Monotonie-Eigenschaft besagt, dass das Risiko eines Portfolios X stets höher ist als bei einem Portfolio Y, wenn der Wert von X in jedem möglichen Zustand immer kleiner ist als der Wert von Y. 48 X weist damit aufgrund des jeweils höheren Verlustpotenzials ein größeres Risiko auf als Y. 49 Mit der Erfüllung der Monotonie-Eigenschaft wird zudem sichergestellt, dass ein kohärentes Risikomaß mit dem Prinzip der stochastischen Dominanz ersten Grades vereinbar ist. 50 In diesem Axiom wird somit die (ökonomische) Risikodefinition berücksichtigt, die ausschließlich negative Abweichungen als Risiko betrachtet. 51 Es gilt somit: ( X ) ρ( Y ) ρ, falls X Y (4) Translationsinvarianz: Wenn zu einem vorhandenen Portfolio X für die betrachtete Haltedauer zusätzlich ein Geldbetrag n zu einem risikofreien Zinssatz r f investiert wird, so verringert sich das Risiko des Portfolios um den Betrag n. ( X + ( + r f ) n) = ρ( X ) n ρ 1 Das Axiom der Translationsinvarianz unterstreicht die Definition des Risikomaßes als mindestens zu investierenden Kapitalbetrag, um aus einer nicht akzeptablen Position eine akzeptable zu generieren. Bei der Investition eines Anlagebetrages Z in Höhe des vorhande- 46 Vgl. auch im Folgenden Artzner et al. (1997), S. 68, Artzner et al. (1999), S , Kürsten/Straßberger (2004), S. 206 sowie Theiler (2002), S In diesem Punkt wird das einer Einzelposition inhärente Risiko betrachtet, nicht sein Risikobeitrag im Portfoliokontext. 48 Vgl. Denault (2001), S Vgl. Albrecht (2003), S. 13 f. 50 Vgl. Baule (2004), S Vgl. Theiler (2002), S. 73.

16 3 Risikomaße zur Quantifizierung des Unexpected Loss 11 nen Risikopotenzials der bestehenden Position X ( Z ρ( X )) = zum risikofreien Zinssatz r f, neutralisiert die Hinzunahme der risikofreien Position das Risiko der Ursprungs-Position und stellt damit implizit das Risikodeckungspotenzial dar. 52 ρ ( X + ( 1 + r ) Z ) = ρ( X + ( 1+ r ) ρ( X )) = ρ( X ) ρ( X ) = 0 f f Erfüllt ein Risikomaß die Axiome der Subadditivität und der Positiven Homogenität, so ist das Risikomaß konvex. Die Konvexität garantiert die Lösbarkeit von (Risiko-/Rendite-)Portfolio-Optimierungen, so dass für jedes Risikoniveau ein optimales Risiko-/Rendite-Portfolio gefunden werden kann. 53 Die Konvexitätsanforderung an ein Risikomaß entspricht damit implizit der oben angesprochenen Anforderung der Verwendung des Risikomaßes als Zielgröße für Optimierungsprobleme. Zusammenfassend sollte ein Risikomaß zur Kreditrisikoquantifizierung die folgenden Anforderungen erfüllen: leichte Interpretierbarkeit, Möglichkeit zur direkten Messung des ökonomischen Risikos, Verwendung als Zielgröße für Optimierungsprobleme, Möglichkeit der integrierten Risikomessung unterschiedlicher Risikoarten, Verwendung zur Risikosteuerung eines Bankportfolios sowie Kohärenz. In den folgenden Abschnitten werden verschiedene Risikomaße dargestellt und auf die Erfüllung der gestellten Anforderungen untersucht. 3.2 Varianz und Standardabweichung Ein in der finanzwirtschaftlichen Theorie und Praxis stark verbreitetes und auch aus der Statistik bekanntes Risikomaß ist die Varianz (bzw. Standardabweichung). 54 Diese Kennzahl stellt ein Streuungsmaß dar, das die Dispersion vom Erwartungswert misst. Allgemein wird der Erwartungswert E(X), die Varianz und die Standardabweichung (σ), als quadratische Wurzel der Varianz, gemäß der folgenden Formeln für diskrete bzw. stetige Zufallsvariablen ermittelt. 55 (5) E X ) = N ( x i p i (6) Varianz = ( x E( x) ) i= 1 N i= 1 2 i p i 52 Vgl. Artzner et al. (1999), S. 209 und Theiler (2002), S Vgl. auch für die hierzu geltenden Voraussetzungen Theiler (2002), S. 73 und Theiler (2001), S Vgl. Oehler/Unser (2002), S Vgl. Schierenbeck (2003b), S. 203, Hahn/Pfingsten/Wagner (2001), S. 277 f., Völker (2001), S. 41 sowie Rohmann (2000), S. 180 f.

17 3 Risikomaße zur Quantifizierung des Unexpected Loss 12 = dxi (7) E ( X ) = xi f ( xi ) dxi (8) ( ( ) ) 2 Varianz x ( ) i E x f xi (9) σ = Varianz. x i bezeichnet hierbei die möglichen Werteausprägungen und p i die jeweils zugehörigen Eintrittswahrscheinlichkeiten. Die Varianz quantifiziert die mittlere quadratische Abweichung vom Erwartungswert, wobei sie ein zweiseitiges bzw. symmetrisches Risikomaß darstellt, d.h. es werden sowohl negative als auch positive Abweichungen vom Erwartungswert quantifiziert. 56 Diese Risikoquantifizierung entspricht jedoch nicht der aufgezeigten Risikodefinition, in der ausschließlich negative Abweichungen vom Mittelwert betrachtet werden. Lediglich unter der unrealistischen Annahme von normalverteilten Kreditverlusten könnte das Kreditrisiko anhand von symmetrischen Kennzahlen angemessen quantifiziert werden. Für asymmetrische Verteilungen sind Varianz und Standardabweichung jedoch ungeeignet, 57 und sie erfüllen daher auch nicht die Anforderung, das ökonomische Risiko direkt messen zu können. 58 Des Weiteren ist die Varianz kein leicht zu interpretierendes Risikomaß unter dem Gesichtspunkt, dass das Risiko nicht in Geldeinheiten, sondern bei Verlustbetrachtungen in Geldeinheiten zum Quadrat angegeben wird. In diesem Fall werden der erwartete und der unerwartete Verlust in unterschiedlichen Maßeinheiten angegeben, was eine Vergleichbarkeit bzw. Interpretation der Ergebnisse erschwert. 59 Die Standardabweichung als Wurzel der Varianz stellt ein in Ansätzen leichter zu interpretierendes Risikomaß dar, da das Kreditrisiko in Geldeinheiten ausgedrückt werden kann, bzw. erwarteter und unerwarteter Verlust die gleiche Maßeinheit aufweisen. 60 Hierbei gilt es jedoch zu berücksichtigen, dass die Standardabweichung kaum über eine eigenständige Interpretation im Sinne von zu unterlegendem Risikokapital verfügt, sondern sie gibt lediglich einen Anhaltspunkt für die Streuung der Verluste. 61 Standardabweichung und Varianz sind zwar positiv homogen 62, aber nur unter der Bedingung von normalverteilten Zufallsvariablen subadditiv 63 und stellen damit bei allgemeiner Betrachtung keine konvexen Risikomaße dar. Sie eignen sich daher nicht zur Portfoliooptimierung und steuerung im Kreditrisikomanagement, da sie zudem aufgrund ihrer Symmetrieeigenschaft die bei Kreditverlusten vorherrschenden asymmetrischen Verteilungen nicht vollständig beschreiben können und daher für die Optimierung ungeeignet sind. Im Rahmen einer Portfoliosteuerung können sie daher zu falschen Steuerungsentscheidungen führen Vgl. Goovaerts/Kaas/Dhaene (2002), S. 1 sowie Theiler (2002), S Gemäß der Risikodefinition wäre die untere Semivarianz besser geeignet, bei der die mittlere quadratische Abweichung für die Werteausprägungen (einer Verlustverteilung) ermittelt wird, die größer als der Erwartungswert sind. Vgl. Kürsten/Straßberger (2004), S Vgl. Wehrspohn (2001), S. 582 sowie Hahn/Pfingsten/Wagner (2001), S Vgl. Albrecht/Maurer (2002), S Eine sinnvolle Interpretation ist hier jedoch auch nur für den Fall normalverteilter Verluste möglich. 61 Vgl. Wehrspohn (2001), S Vgl. Theiler (2002), S Vgl. Acerbi/Nordio/Sirtori (2001), S Vgl. Wehrspohn (2001), S. 583 und S. 588.

18 3 Risikomaße zur Quantifizierung des Unexpected Loss 13 Varianz und Standardabweichung zählen auch nicht zu den kohärenten Risikomaßen, da neben der Eigenschaft der Subadditivität auch die Eigenschaft der Monotonie durch die Berücksichtigung von positiven und negativen Abweichungen vom erwarteten Verlust verletzt wird. 65 Letztendlich lassen sich die beiden Risikomaße aufgrund der restriktiven Festlegung auf eine Normalverteilung auch nicht für die Messung unterschiedlicher Risikoarten verwenden. Zwar sind sie in der Lage Marktpreisrisiken, für die in der Regel einer Normal- bzw. Lognormalverteilung unterstellt wird, zu quantifizieren, wie jedoch gezeigt wurde, sind sie ungeeignet Kreditrisiken adäquat zu messen. Zusammenfassend zeigt die folgende Tabelle, welche Anforderungen an Risikomaße für die Kreditrisikoquantifizierung durch die Standardabweichung bzw. Varianz erfüllt werden. Anforderung Standardabweichung Varianz leichte Interpretierbarkeit (+) - direkte Messung des ökonomischen Risikos - - Integrierte Risikomessung unterschiedlicher Risikoarten - - Zielgröße für Optimierungsprobleme - - Verwendung zur Risikosteuerung eines Bankportfolios - - Kohärenz - - Tabelle 3.2-1: Anforderungsanalyse bei Standardabweichung und Varianz 3.3 Lower Partial Moments (LPM) Lower Partial Moments (LPM) zählen zu den so genannten Downside-Risikomaßen und betrachten ausschließlich den Verlustbereich einer Verteilung, also den Teil der Wahrscheinlichkeitsverteilung, der (bei Verlustbetrachtung) über einem vorher zu spezifizierenden Referenzwert liegt. 66 Die allgemeine Definition von Lower Partial Moments (LPM n (z)) der Ordnung n 0 für den Fall einer stetigen Zufallsvariable X mit Dichtefunktion f(x) und einem zu spezifizierenden Referenzwert z als Verlustschranke lautet bei Verlustbetrachtung: 67 z n (10) LPM ( z) = ( x z) f ( x) n dx Bei einer diskreten Zufallsvariable X mit den Ausprägungen x 1,, x k und den Eintrittswahrscheinlichkeiten p 1,, p k ergibt sich der LPM der Ordnung n 0 gemäß Gleichung (11). I z (x) stellt eine Indikatorfunktion dar, wobei I z (x)=1 für x>z und ansonsten I z (x)=0 gilt. 68 n n (11) LPM ( z) = ( x z) p = ( x z) p I ( x ) n xi > z i i i i z i 65 Vgl. Theiler (2002). S Vgl. Oehler/Unser (2002), S. 22, Kürsten/Straßberger (2004), S. 204 und Völker (2001), S Vgl. Fishburn (1977), S. 116, Albrecht (2001), S. 1 und Wittrock (1995), S Vgl. Albrecht (2001), S. 1, Eftekhari (1998), S. 646 und Hahn/Pfingsten/Wagner (2001), S. 279.

19 3 Risikomaße zur Quantifizierung des Unexpected Loss 14 Anhand dieser Definition lassen sich unzählige LPM definieren, sinnvoll ökonomisch interpretieren lassen sich jedoch nur LPM der Ordnung null bis zwei. 69 Der LPM nullter Ordnung (LPM 0 ) wird auch als Shortfall-Risiko oder Downside-Wahrscheinlichkeit bezeichnet und misst die Wahrscheinlichkeit, dass ein Verlust eintritt, der den Referenzverlust übersteigt. Das Ausmaß der Referenzwertverfehlung bleibt hierbei jedoch unberücksichtigt. 70 Der LPM 1, oder auch Target Shortfall bzw. Downside-Erwartungswert, zeigt dagegen die durchschnittliche negative Abweichung vom Referenzwert an. Diese Betrachtung impliziert, dass Verluste, die kleiner als der Referenzverlust sind eine negative Abweichung von null aufweisen. Bei n = 2 misst der LPM 2, als so genannte Downside-Varianz, die mittlere quadrierte negative Abweichung vom Referenzwert, so dass größere Abweichungen stärker berücksichtigt werden als kleine. Wird als Referenzwert der Erwartungswert der Verteilung verwendet, so entspricht der LPM 2 der Semivarianz. Die Downside- Standardabweichung ergibt sich aus der Wurzel der Downside-Varianz. 71 Wahrscheinlichkeitsdichte LPM 0 0 z E ( x i > z ) Kreditverluste (x) LPM 1 72 Abbildung 3.3-1: Darstellung LPM 0 und LPM 1 Die Downside-Wahrscheinlichkeit (LPM 0 ) wird in Abbildung durch die Fläche unter der Dichtefunktion ab dem Referenzwert z dargestellt. Der LPM 1 zeigt den Erwartungswert der möglichen Überschreitungen des Referenzwertes z an. Durch die ausschließliche Betrachtung von negativen Abweichungen von einem Referenzwert (Erwartungswert) unterstützen die LPM die oben angegebene Risikodefinition. Für den LPM 0 lässt sich festhalten, dass er als Ausfallwahrscheinlichkeit zwar leicht zu interpretieren ist und das ökonomische Risiko in Form einer Wahrscheinlichkeit widerspiegelt, das Kreditrisiko dabei jedoch nicht in Geldeinheiten ausdrückt. Die letztgenannte Anforderung wird durch LPM 1 und LPM 2 (nur in Form der Downside- 69 Vgl. Oehler/Unser (2002), S Vgl. auch im Folgenden Völker (2001), S. 48 f. und Eftekhari (1998), S Vgl. Albrecht (2003), S In Anlehnung an Hollidt (1999), S. 11.

20 3 Risikomaße zur Quantifizierung des Unexpected Loss 15 Standardabweichung) jedoch in Ansätzen erfüllt. Eine allgemeingültige Interpretation als zu unterlegendes Risikokapital ist hier allerdings ebenfalls kaum gegeben. Aufgrund der Eigenschaft, dass alle LPM-Maße in Abhängigkeit von alternativen Referenzwerten für beliebige Verteilungen bestimmt werden können, und zudem in der Lage sind Asymmetrien der Verteilungen zu berücksichtigen, eignen sich diese Risikomaße zur Quantifizierung verschiedener Risikoarten. 73 Zur Überprüfung, ob sich LPM n (z) als Zielgröße für Optimierungsprobleme eignen, gilt es das Risikomaß auf Konvexität zu untersuchen. Wie in Abschnitt 3.1 bereits aufgezeigt wurde, ist ein Risikomaß konvex, wenn es subadditiv und positiv homogen ist. Der LPM n (z) ist nur subadditiv bei positiven Referenzwerten ( z R + ) und bei Exponenten n, die größer als null und kleiner/gleich eins sind ( 0 < n 1). 74 Bei ausschließlicher Betrachtung ganzzahliger Exponenten n, erfüllt also nur der LPM 1 bei positiven Referenzwerten die Anforderung der Subadditivität. Positive Homogenität erfüllen die LPM n (z) nur bei z = 0 und bei n = 1, so dass nur der LPM 1 bei einem Referenzwert in Höhe von null positiv homogen ist. Für den allgemeinen Fall der LPM n (z) lässt sich also keine Konvexität dieser Risikomaße nachweisen, so dass sie keine gute Zielgröße für Optimierungsprobleme darstellen. Des Weiteren stellen LPM n (z) keine kohärenten Risikomaße dar, da sie neben den beiden letztgenannten Anforderungen auch nicht den Anforderungen der Monotonie und der Translationsinvarianz genügen. Während die Translationsinvarianz durch keinen LPM n (z) erfüllt wird, wird die Monotonie- Eigenschaft lediglich durch den LPM nullter Ordnung verletzt. 75 Aufgrund der fehlenden Kohärenz- Eigenschaft der LPM n (z) sind sie für eine Risikosteuerung gemäß dem Axiomensystem von Artzner et al. ungeeignet. Die folgende Tabelle fasst die Untersuchung der LPM n (z) abschließend zusammen. Anforderung LPM n>2 (z) LPM 0 LPM 1 LPM 2 leichte Interpretierbarkeit - (+) + (+) direkte Messung des ökonomischen Risikos - (+) + (+) Integrierte Risikomessung unterschiedlicher Risikoarten Zielgröße für Optimierungsprobleme Verwendung zur Risikosteuerung eines Bankportfolios Kohärenz Tabelle 3.3-1: Anforderungsanalyse bei Lower Partial Moments 3.4 Value at Risk Das Risikomaß Value at Risk 76 zählt zu den Downside-Risikomaßen und betrachten damit, wie die LPM n (z), ausschließlich die Verlustseite der Verteilung. Die VaR-Methodik wurde anfänglich aus- 73 Vgl. Wittrock (1995), S Vgl. auch im Folgenden Barbosa/Ferreira (2004), S Für die mathematischen Beweise sei auf Barbosa/Ferreira (2004), S verwiesen. 76 Im Rahmen des Kreditmanagements wird der VaR auch als Credit Value at Risk bezeichnet.

Commercial Banking. Kreditportfoliosteuerung

Commercial Banking. Kreditportfoliosteuerung Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung

Mehr

MaRisk-relevante Anpassungen im Kreditportfoliomodell. GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH

MaRisk-relevante Anpassungen im Kreditportfoliomodell. GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH im Kreditportfoliomodell GenoPOINT, 28. November 2013 Dr. Martin Bialek parcit GmbH Agenda Überblick KPM-KG Bedeutung des Portfoliomodells für den MaRisk-Report MaRisk-relevante Anpassungen MaRisk-relevante

Mehr

Basel II - Die Bedeutung von Sicherheiten

Basel II - Die Bedeutung von Sicherheiten Basel II - Die Bedeutung von Sicherheiten Fast jeder Unternehmer und Kreditkunde verbindet Basel II mit dem Stichwort Rating. Dabei geraten die Sicherheiten und ihre Bedeutung - vor allem für die Kreditkonditionen

Mehr

Mindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse

Mindestkonditionen im Kreditgeschäft! Rating und risikoadjustiertes Pricing! Individueller Ansatz! Effiziente Kreditprozesse Kreditgeschäft Mindestkonditionen im Kreditgeschäft Rating und risikoadjustiertes Pricing Individueller Ansatz Effiziente Kreditprozesse Orientierung an der Erfüllung der Kriterien im Rahmen von Basel

Mehr

Risiko- und Kapitalsteuerung in Banken. MN-Seminar 12.05.2009 Martina Böhmer

Risiko- und Kapitalsteuerung in Banken. MN-Seminar 12.05.2009 Martina Böhmer Risiko- und Kapitalsteuerung in Banken MN-Seminar 12.05.2009 Martina Böhmer Risiko- und Kapitalsteuerung in Banken Basel II Risiko- und Kapitalsteuerung in Banken 25 a Absatz 1 KWG Kreditinstitute sind

Mehr

Zwei einfache Kennzahlen für große Engagements

Zwei einfache Kennzahlen für große Engagements Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt

Mehr

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko

Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion

Mehr

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall

Mehr

Risikoaggregation und allokation

Risikoaggregation und allokation 2. Weiterbildungstag der DGVFM Risikoaggregation und allokation Einführung in das Thema Prof. Dr. Claudia Cottin, FH Bielefeld Dr. Stefan Nörtemann, msg life Hannover, 21. Mai 2015 2. Weiterbildungstag

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

Statistischer Mittelwert und Portfoliorendite

Statistischer Mittelwert und Portfoliorendite 8 Wahrscheinlichkeitsrechnung und Statistik Statistischer Mittelwert und Portfoliorendite Durch die immer komplexer werdenden Bündel von Investitionen stellen Investorinnen und Investoren eine Vielzahl

Mehr

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke

Adressenausfallrisiken. Von Marina Schalles und Julia Bradtke Adressenausfallrisiken Von Marina Schalles und Julia Bradtke Adressenausfallrisiko Gliederung Adressenausfallrisiko Basel II EU 10 KWG/ Solvabilitätsverordnung Adressenausfallrisiko Gliederung Rating Kreditrisikomodelle

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

Mehr

Quantilsschätzung als Werkzeug zur VaR-Berechnung

Quantilsschätzung als Werkzeug zur VaR-Berechnung Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Value at Risk Einführung

Value at Risk Einführung Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover

Mehr

Kreditrisikomodelle State of the Art

Kreditrisikomodelle State of the Art Georg-August-Universität Göttingen Institut für Wirtschaftsinformatik Professor Dr. Matthias Schumann Platz der Göttinger Sieben 5 37073 Göttingen Telefon: + 49 551 39-44 33 + 49 551 39-44 42 Telefax:

Mehr

Risikotriade - Teil Messung von Zins-, Kreditund operationellen Risiken

Risikotriade - Teil Messung von Zins-, Kreditund operationellen Risiken Arnd Wiedemann Risikotriade - Teil Messung von Zins-, Kreditund operationellen Risiken 3., überarbeitete Auflage Inhaltsübersicht Band I X[ Inhaltsübersicht Band I Zins-, Kredit- und operationeile Risiken

Mehr

Die Performance von Stillhaltergeschäften

Die Performance von Stillhaltergeschäften Thomas Schmidt Die Performance von Stillhaltergeschäften Covered Call Writing im Backtest Masterarbeit Schmidt, Thomas: Die Performance von Stillhaltergeschäften: Covered Call Writing im Backtest. Hamburg,

Mehr

Risikomanagement und Statistik. Raimund Kovacevic

Risikomanagement und Statistik. Raimund Kovacevic Risikomanagement und Statistik Raimund Kovacevic Dieses Werk ist Urheberrechtlich geschützt. Jede Vervielfältigung ohne Einverständnis des Autors ist verboten. Risiko hazard, a chance of bad consequences,

Mehr

Expected Shortfall - Alternative oder Ergänzung zum Value-at-Risk bei der Kreditrisikoquantifizierung?

Expected Shortfall - Alternative oder Ergänzung zum Value-at-Risk bei der Kreditrisikoquantifizierung? GEORG-AUGUST-UNIVERSITÄT GÖTTINGEN INSTITUT FÜR WIRTSCHAFTSINFORMATIK ABTEILUNG FÜR WIRTSCHAFTSINFORMATIK II SEMINAR ZUR WIRTSCHAFTSINFORMATIK Informationssysteme bei Finanzdienstleistern SOMMERSEMESTER

Mehr

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

Zielsetzung. Problematik

Zielsetzung. Problematik Kreditrisiko-Modellierung für Versicherungsunternehmen Tamer Yilmaz 21. November 2007 Zielsetzung Die Ermittlung der Eigenkapitalhinterlegung für das Kreditrisiko, die auf das Versicherungsunternehmen

Mehr

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage

Arnd Wiedemann. Risikotriade Zins-, Kredit- und operationelle Risiken. 2., überarbeitete Auflage Arnd Wiedemann Risikotriade Zins-, Kredit- und operationelle Risiken 2., überarbeitete Auflage . XI 1 Einleitung: Risikomessung als Fundament der Rendite-/Risikosteuerung 1 2 Zinsrisiko 3 2.1 Barwertrisiko

Mehr

Abschlussklausur der Vorlesung Bank I, II:

Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 23 Name: Matrikelnummer: Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Hinweise: o Bitte schreiben Sie Ihren Namen und Ihre Matrikelnummer auf die Klausur

Mehr

AUTOMATISIERTE HANDELSSYSTEME

AUTOMATISIERTE HANDELSSYSTEME UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie

Mehr

Inhalte Kurs Finanz- und Risikosteuerung

Inhalte Kurs Finanz- und Risikosteuerung Inhalte Kurs Finanz- und Risikosteuerung Studieninhalte (DS = Doppelstunde á 90 Minuten) Grundlagen der Bankensteuerung Finanzmathematische Grundlagen 12 DS Dynamische Verfahren der Investitionsrechnung

Mehr

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008

Kreditrisiko bei Swiss Life. Carl-Heinz Meyer, 13.06.2008 Kreditrisiko bei Swiss Life Carl-Heinz Meyer, 13.06.2008 Agenda 1. Was versteht man unter Kreditrisiko? 2. Ein Beisiel zur Einführung. 3. Einige kleine Modelle. 4. Das grosse kollektive Modell. 5. Risikoberechnung

Mehr

Investition und Risiko. Finanzwirtschaft I 5. Semester

Investition und Risiko. Finanzwirtschaft I 5. Semester Investition und Risiko Finanzwirtschaft I 5. Semester 1 Gliederung Ziel Korrekturverfahren: Einfache Verfahren der Risikoberücksichtigung Sensitivitätsanalyse Monte Carlo Analyse Investitionsentscheidung

Mehr

DIPLOM. Abschlussklausur der Vorlesung Bank I, II:

DIPLOM. Abschlussklausur der Vorlesung Bank I, II: Seite 1 von 9 Name: Matrikelnummer: DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement und Theory of Banking Seite 2 von 9 DIPLOM Abschlussklausur der Vorlesung Bank I, II: Bankmanagement

Mehr

6522: Capital Markets and Risk Management

6522: Capital Markets and Risk Management (Bitte in Blockschrift) Name... Vorname... Matrikelnummer... Punkte Aufgabe 1:... Aufgabe 2:... Aufgabe 3:... Aufgabe 4:... Aufgabe 5:... Aufgabe 6:... Total :... UNIVERSITÄT BASEL Dr. Patrick Wegmann

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

1 Einleitung. 1.1 Problemstellung und Zielsetzung der Untersuchung. 1 Einleitung 1

1 Einleitung. 1.1 Problemstellung und Zielsetzung der Untersuchung. 1 Einleitung 1 1 Einleitung 1 1 Einleitung Dieser Abschnitt gibt eine kurze Einführung in die Themenstellung der vorliegenden Dissertation. Zunächst werden die allgemeine Problemstellung und die Zielsetzung der Untersuchung

Mehr

Generalthema: Ausgewählte Fragen der Fremdfinanzierung

Generalthema: Ausgewählte Fragen der Fremdfinanzierung Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Seminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 1999/000 Zuständiger Mitarbeiter:

Mehr

Kreditinstitute und Cross Risks

Kreditinstitute und Cross Risks Dieter Grämlich Kreditinstitute und Cross Risks Ein Beitrag zur Theorie des Risikoverbunds bei Finanzintermediären A 235009 Deutscher Universitäts-Verlag IX Vorwort VH.. IX Abkürzungsverzeichnis X1H Symbolverzeichnis.

Mehr

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken

Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Mertonscher Firmenwertansatz zur Modellierung von Kreditrisiken Seminararbeit von Marleen Laakmann 2. Mai 2010 Einleitung Zur Messung und Steuerung von Kreditrisiken gibt es eine Reihe von Methoden und

Mehr

Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell

Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell Numerische Optionsbepreisung durch Monte-Carlo-Simulation und Vergleich mit dem Black-Scholes-Modell Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Trends in der risiko- und wertorientierten Steuerung des Versicherungsunternehmens

Trends in der risiko- und wertorientierten Steuerung des Versicherungsunternehmens Trends in der risiko- und wertorientierten Steuerung des Versicherungsunternehmens Inhalt Einleitung Finanzwirtschaftliche Führung von Versicherungsunternehmen Fair Value Prinzip IAS als Accounting Standard

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 2009/2010 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit

Mehr

Wie kann man Risiko messen?

Wie kann man Risiko messen? Wie kann man Risiko messen? Karl Mosler Universität zu Köln Symposium DAGStat & BfR: Was bedroht unser Leben wirklich? Statistische Bewertung von Gesundheitsrisiken Berlin, 19. April 2013 Karl Mosler Universität

Mehr

Ermittlung des Ausfallrisikos

Ermittlung des Ausfallrisikos Ermittlung des Ausfallrisikos Das Ausfallrisiko, dessen Ermittlung maßgeblich von der Datenqualität der Vorsysteme abhängt, nimmt in der Berechnung der Eigenmittelanforderung einen relativ geringen Stellenwert

Mehr

Value Based Management

Value Based Management Value Based Management Vorlesung 9 Cashflow- und Kapitalkostenbestimmung PD. Dr. Louis Velthuis 06.01.2006 Wirtschaftswissenschaften PD. Dr. Louis Velthuis Seite 1 1 Einführung Cashflow- und Kapitalkostenbestimmung

Mehr

Risikodiversifikation. Steffen Frost

Risikodiversifikation. Steffen Frost Risikodiversifikation Steffen Frost 1. Messung Risiko 2. Begriff Risiko 3. Standardabweichung 4. Volatilität 5. Gesamtrisiko 6. Systematische & unsystematisches Risiko 7. Beta und Korrelation 8. Steuerung

Mehr

Portfolioorientierte Quantifizierung des Adressenausfall- und Restwertrisikos im Leasinggeschäft - Modellierung und Anwendung

Portfolioorientierte Quantifizierung des Adressenausfall- und Restwertrisikos im Leasinggeschäft - Modellierung und Anwendung Portfolioorientierte Quantifizierung des Adressenausfall- und Restwertrisikos im Leasinggeschäft - Modellierung und Anwendung von Dr. Christian Helwig Fritz Knapp Verlag Jßg Frankfurt am Main Abbildungsverzeichnis

Mehr

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung

Generalthema: Kreditrisikomanagement. Thema 4: CreditRisk+ Gliederung Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter: Dipl.-Kfm. Stefan Krohnsnest

Mehr

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre

Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Gefördert durch: dynaklim-kompakt

Gefördert durch: dynaklim-kompakt Gefördert durch: dynaklim-kompakt Risiko & Co. - Begriffe und Abgrenzungen 1 Problemstellung Ein Basisproblem, das immer auftritt, wenn es um Risiko geht, ist die Existenz unterschiedlicher Risikodefinitionen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken

Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken Darstellung und kritischer Vergleich von Verfahren zur Quantifizierung des Kreditrisikos bei Banken 3-Monats-Arbeit im Rahmen der Prüfung für Diplom-Wirtschaftsinformatiker an der Universität Göttingen

Mehr

Ganzheitliche Risikomessung im Sinne des Anlegers

Ganzheitliche Risikomessung im Sinne des Anlegers Ganzheitliche Risikomessung im Sinne des Anlegers Für alle Anlageprodukte / Wertpapiere gilt Risikofreier Zins 1% + Risikoprämien? + Management? - Kosten abhängig von der Anlage - Steuer abhängig von der

Mehr

CreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling

CreditMetrics. Portfoliokreditrisko Seminar. Korrelation und Asset Value Ansatz. 17. Oktober 2007 Robert Schilling Korrelation und Ansatz Portfoliokreditrisko Seminar 7. Oktober 007 Robert Schilling Seminarleitung: PD Dr. Rafael Weißbach Universität Mannheim Berechnung des Exposures Schätzung der Volatilität Schätzung

Mehr

Risikomanagement eienr Kreditgenossenschaft - Die Studenten des Lehrstuhls für BWL, Bank- und Kreditwirtschaft der Universität Würzburg bei der VR

Risikomanagement eienr Kreditgenossenschaft - Die Studenten des Lehrstuhls für BWL, Bank- und Kreditwirtschaft der Universität Würzburg bei der VR Risikomanagement eienr Kreditgenossenschaft - Die Studenten des Lehrstuhls für BWL, Bank- und Kreditwirtschaft der Universität Würzburg bei der VR Bank Kitzingen eg Aufbau einer Kreditgenossenschaft Satzung

Mehr

von Portfolioaspekten bei Großkunden im Strommarkt

von Portfolioaspekten bei Großkunden im Strommarkt Sandra Strohbücker Bepreisen von Preis- und Mengenrisiken der Strombeschaffung unter Berücksichtigung von Portfolioaspekten bei Großkunden im Strommarkt Mit einem. Geleitwort von Prof. Dr. Christoph Weber

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Generalthema: Organisationsformen des Kreditgeschäfts. Fragen Thema 3: Risikomanagement der Kreditbank

Generalthema: Organisationsformen des Kreditgeschäfts. Fragen Thema 3: Risikomanagement der Kreditbank Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur BBL und ABWL Wintersemester 2004/2005 Zuständiger Mitarbeiter: Dipl.-Kfm. Sandro Zarß Generalthema:

Mehr

Creditpointklausur Seminar zum Bank- und Finanzmanagement Sommersemester 2006. nicht-programmierbarer Taschenrechner

Creditpointklausur Seminar zum Bank- und Finanzmanagement Sommersemester 2006. nicht-programmierbarer Taschenrechner en und Betriebliche Finanzwirtschaft Prof. Dr. Bernd Rolfes Creditpointklausur Seminar zum - und Finanzmanagement Sommersemester 2006 DATUM: 04. August 2006 BEARBEITUNGSZEIT / PUNKTE: 60 Minuten / 60 Punkte

Mehr

Thema 3 Was ist Risiko?

Thema 3 Was ist Risiko? Thema 3 Was ist Risiko? Einflussfaktoren und Konzepte des Risikos! Nasan Aksoy! Massiullah Shamps Amiri! Verena Schwinde! Nadine Eppmann 1 1. Einführung Vortragsübersicht 2. Begriffsabgrenzung und Kategorisierung

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden

Mehr

D. Hecht, N. Werbeck, M. Kersting RISIKO & CO. Begriffe und Abgrenzungen Kurzfassung der Studie

D. Hecht, N. Werbeck, M. Kersting RISIKO & CO. Begriffe und Abgrenzungen Kurzfassung der Studie No. 03 Sept 2011 dynaklim-kompakt D. Hecht, N. Werbeck, M. Kersting RISIKO & CO. Begriffe und Abgrenzungen Kurzfassung der Studie Gefördert durch: Risiko & Co. - Begriffe und Abgrenzungen 1 Problemstellung

Mehr

Ein möglicher Unterrichtsgang

Ein möglicher Unterrichtsgang Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P)

LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank I, II am 11.02.2004. Teil I: Aufgaben zu Bank I. Aufgabe 1 (Risikoanreiz und Bankgeschäfte; 30P) Universität Hohenheim Institut für Betriebswirtschaftslehre Lehrstuhl für Bankwirtschaft und Finanzdienstleistungen Matthias Johannsen Stuttgart, 11.02.2004 LÖSUNGSSKIZZE: Aufgaben für die Klausur Bank

Mehr

Computational Finance

Computational Finance Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

MA Projekt: Langfristige Kapitalmarktsimulation

MA Projekt: Langfristige Kapitalmarktsimulation MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring

Mehr

Portfoliomanagement: Konzepte und Strategien

Portfoliomanagement: Konzepte und Strategien Thorsten Poddig / Ulf Brinkmann / Katharina Seiler Portfoliomanagement: Konzepte und Strategien Theorie und praxisorientierte Anwendungen mit Excel TM 2. überarbeitete Auflage UHLENBRUCH Verlag, Bad Soden/Ts.

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Vorlesung 7: Value-at-Risk für Kreditrisiken

Vorlesung 7: Value-at-Risk für Kreditrisiken Vorlesung 7: Value-at-Risk für Kreditrisiken 17. April 2015 Dr. Patrick Wegmann Universität Basel WWZ, Department of Finance patrick.wegmann@unibas.ch www.wwz.unibas.ch/finance Die Verlustverteilung im

Mehr

Information zum Thema CVA Credit Valuation Adjustment

Information zum Thema CVA Credit Valuation Adjustment Die neuen Anforderungen bezüglich des Kontrahentenrisikos führten und führen zu Anpassungen im Umgang mit dem Credit Valuation Adjustment Nicht zuletzt die Finanzkrise hat gezeigt, dass das aus nicht börsengehandelten

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Thema: Risikomanagement

Thema: Risikomanagement 1.1. Risikomanagement Eine der elementarsten Anforderungen an die Projektplanung ist, durch zielgerichtete Planung mögliche Risiken, die den Projekterfolg in Frage stellen, zu identifizieren und präventiv

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Bestimmung effizienter Risikostrategien für das Bankportfolio

Bestimmung effizienter Risikostrategien für das Bankportfolio Risikostrategien Bestimmung effizienter Risikostrategien für das Bankportfolio Ursula Theiler, Karen Schneider In den Fokus des Risikomanagements rücken zunehmend qualitative Anforderungen, insbesondere

Mehr

Fujitsu Siemens Computers GmbH

Fujitsu Siemens Computers GmbH Management Summary Fujitsu Siemens Computers GmbH Report Wirtschaftlichkeitsanalyse Einführung Linux - FSC Der Analysereport beinhaltet die Ergebnisse der Wirtschaftlichkeitsanalyse der Einführung des

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Basel II und Konsequenzen für Land- und Forstwirte

Basel II und Konsequenzen für Land- und Forstwirte Basel II und Konsequenzen für Land- und Forstwirte Herbstseminar 2005 Zukunftsperspektiven der Land- und Forstwirtschaft / Neue Bewirtschaftungsformen / Finanzierungsfragen Montag, 21.11.2005 Dr. Christian

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen)

Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen) Bericht zur Prüfung im Oktober 2004 über Finanzmathematik (Grundwissen) Peter Albrecht (Mannheim) Die Prüfung des Jahres 2004 im Bereich Finanzmathematik (Grundwissen) wurde am 09. Oktober 2004 mit diesmal

Mehr

Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation

Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Studiengang Informatik Jens Schiborowski 8. Januar 2009 Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik 1 Abstract

Mehr

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL

Matrikel-Nr.: Fachrichtung: Sem.-Zahl: Seminarschein soll ausgestellt werden über ABWL Integrationsseminar BBL Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Integrationsseminar zur Allgemeinen Betriebswirtschaftslehre und Bankbetriebslehre Wintersemester 2002/2003 Zuständiger

Mehr

Risikokapital Definition und Allokation

Risikokapital Definition und Allokation Risikokapital Definition und Allokation Rolf Stölting Köln Münchener Rück Munich Re Group Einige ragen intern und unserer Kunden Wie viel Kapital benötigen wir für unser Geschäft? Welche unserer Teilportefeuilles

Mehr

3.6.1. Diversifikation

3.6.1. Diversifikation 3.6.1. Diversifikation Diversifikation ist die Streuung auf verschiedene Anlageklassen. Nicht alle Eier in ein Nest legen, sondern durch die Investition in unterschiedliche Anlageklassen deren Einzelrisiken

Mehr

Die Auswirkung von Rückversicherung auf die Eigenmittelanforderungen unter Solvency II Prof. Dr. Dietmar Pfeifer

Die Auswirkung von Rückversicherung auf die Eigenmittelanforderungen unter Solvency II Prof. Dr. Dietmar Pfeifer Die Auswirkung von Rückversicherung auf die Eigenmittelanforderungen unter Solvency II Prof. Dr. Dietmar Pfeifer xxx 0 Agenda Der Aufbau der Solvenz-Bilanz Zur Begriffsbestimmung des SCR Die Auswirkung

Mehr

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik

Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz. 31. Mai 2007 Dimitri Senik Neue Anforderungen an Risikomessung bei kollektiven Kapitalanlagen in der Schweiz Dimitri Senik Agenda Risikomanagement bei Fonds: neue regulatorische Vorschriften Risikomessung gemäss KKV-EBK Risikomanagement

Mehr

Risikomanagement an Landwirtschaftlichen Kreditkassen

Risikomanagement an Landwirtschaftlichen Kreditkassen Risikomanagement an Landwirtschaftlichen Kreditkassen Ergebnisse der 1. Projektetappe und Konzept für weiteres Vorgehen Ruedi Krummenacher suissemelio- Tagung vom 1.12.2009 in Olten 1 Definition Risikomanagement

Mehr

Begriffe zur Detailanalyse

Begriffe zur Detailanalyse Begriffe zur Detailanalyse ANALYSE Interesse Das thescreener Sterne-Rating ist so angelegt, dass man schnell qualitativ einwandfreie Aktien, Branchen und Indizes erkennen kann. Das Rating-System verteilt

Mehr

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen

Generalthema: Kreditrisikomanagement. Thema 1: Kreditrisiko ökonomische und rechtliche Grundlagen Institut für Geld- und Kapitalverkehr der Universität Hamburg Prof. Dr. Hartmut Schmidt Generalthema: Kreditrisikomanagement Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Zuständiger Mitarbeiter:

Mehr

Vergleich verschiedener Optimierungsansätze

Vergleich verschiedener Optimierungsansätze Vergleich verschiedener Optimierungsansätze Inhaltsverzeichnis 1 Einleitung... 2 2 Welchen Nutzen schafft munio?... 3 3 Analysen... 3 3.1 Schritt 1: Optimierung anhand von Indizes... 3 3.2 Schritt 2: Manuell

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Messung von Konzentrationsrisiken

Messung von Konzentrationsrisiken Messung von Konzentrationsrisiken von Dominik Zeillinger 1 Motivation und Übersicht 2 Konzentration und Gleichverteilung 3 Conditional Value at Risk Ansatz 4 Definitionen und Rechenregeln 4.1 Definition

Mehr

Gesamtbanksteuerung. Risiken ertragsorientiert steuern. 2., vollständig überarbeitete und erweiterte Auflage. Bernd Rolfes

Gesamtbanksteuerung. Risiken ertragsorientiert steuern. 2., vollständig überarbeitete und erweiterte Auflage. Bernd Rolfes Bernd Rolfes Gesamtbanksteuerung Risiken ertragsorientiert steuern 2., vollständig überarbeitete und erweiterte Auflage 2008 Schäffer-Poeschel Verlag Stuttgart VII Inhaltsverzeichnis Vorwort Schaubildverzeichnis

Mehr